| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 短时交通流预测研究现状 | 第11-12页 |
| 1.2.2 智能交通系统的发展现状 | 第12-13页 |
| 1.3 本文研究内容与组织结构 | 第13-16页 |
| 1.3.1 论文研究内容 | 第13-14页 |
| 1.3.2 论文的组织结构 | 第14-16页 |
| 2 交通流预测方法研究 | 第16-22页 |
| 2.1 交通流预测研究方法 | 第16-18页 |
| 2.1.1 研究内容 | 第16页 |
| 2.1.2 交通流预测流程 | 第16-17页 |
| 2.1.3 交通流预测模型分类 | 第17-18页 |
| 2.2 短时交通流预测相关理论 | 第18-19页 |
| 2.2.1 短时交通流预测概念 | 第18页 |
| 2.2.2 短时交通流特性分析 | 第18-19页 |
| 2.3 短时交通流预测模型 | 第19-20页 |
| 2.3.1 短时交通流预测模型建立原则 | 第19页 |
| 2.3.2 短时交通流预测评价指标 | 第19-20页 |
| 2.4 交通流数据的获取和预处理 | 第20-21页 |
| 2.4.1 交通流数据的获取 | 第20-21页 |
| 2.4.2 交通流数据的预处理 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 基于聚类WNN-ARIMA的短时交通流预测模型 | 第22-34页 |
| 3.1 聚类分析基础 | 第22-23页 |
| 3.1.1 聚类分析概述 | 第22页 |
| 3.1.2 相似性度量 | 第22页 |
| 3.1.3 聚类分析在交通流时间序列中的应用 | 第22-23页 |
| 3.2 小波网络基础 | 第23-31页 |
| 3.2.1 神经网络概述 | 第23-25页 |
| 3.2.2 小波神经网络 | 第25-31页 |
| 3.3 ARIMA模型 | 第31页 |
| 3.4 基于聚类WNN-ARIMA模型的短时交通流预测 | 第31-33页 |
| 3.4.1 交通流预测基础 | 第31-32页 |
| 3.4.2 基于聚类WNN-ARIMA的短时交通流预测模型的设计实现 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 基于短时交通流预测模型的交通信号控制系统的优化设计 | 第34-47页 |
| 4.1 交通控制系统概述 | 第34-36页 |
| 4.2 交通控制系统架构 | 第36-38页 |
| 4.2.1 交通控制系统的物理架构 | 第36-37页 |
| 4.2.2 交通控制系统的逻辑架构 | 第37-38页 |
| 4.3 | 第38-46页 |
| 4.3.1 路口交通流预测模块 | 第38-39页 |
| 4.3.2 路口信号控制模块 | 第39-46页 |
| 4.3.3 基于短时交通流预测模型的交通信号控制系统图示 | 第46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 实验及结果分析 | 第47-56页 |
| 5.1 短时交通流预测实验设计与结果分析 | 第47-51页 |
| 5.1.1 仿真实验设计 | 第47页 |
| 5.1.2 结果分析 | 第47-51页 |
| 5.2 交通信号控制系统实验设计与结果分析 | 第51-55页 |
| 5.2.1 仿真实验平台介绍与设计 | 第51-54页 |
| 5.2.2 结果分析 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |
